[AI Tool Updates] ChatGPT 지침 한도 5,000자로 확대, Gemini Jira 필터 공개 (7.15)

7월 15일 AI 도구 업데이트는 ChatGPT의 맞춤 지침 한도 확대와 Gemini Enterprise의 Jira Data Center 작업 필터 공개가 중심이었다. OpenAI는 GPT-Red와 AI 거버넌스 논의도 함께 내놓았고, Thinking Machines는 Hugging…

목차

1. 개요
2. 세부내용
3. 오늘 아침 추가 속보
4. 한눈에 보기
5. FAQ
6. 출처

ChatGPT 지침 한도 5,000자로 확대, Gemini Jira 필터 공개 (7.15)

개요

• OpenAI는 7월 15일 ChatGPT 맞춤 지침 한도를 Plus, Pro, Enterprise, Business, Education 사용자 대상으로 1,500자에서 5,000자로 확대했다.
• Google Cloud는 Gemini Enterprise에서 Jira Data Center 연동 저장소의 작업 필터를 Public Preview로 추가해 검색과 작업 실행에 같은 필터를 적용하도록 했다.
• OpenAI는 self-play 방식의 자동 레드팀 시스템 GPT-Red를 공개하며 안전성, 정렬, 프롬프트 인젝션 견고성 개선을 설명했다.
• Thinking Machines는 Hugging Face를 통해 Inkling을 소개하며 오픈소스와 오픈 사이언스 중심의 AI 개발 방향을 내세웠다.
• OpenAI는 별도 글에서 주 법과 연방 정책을 결합하는 AI 거버넌스 접근을 제시해 도구 기능 변화와 규제 논의가 같은 날 병행됐다.

세부내용

OpenAI, ChatGPT 맞춤 지침 한도 1,500자에서 5,000자로 확대

OpenAI는 7월 15일 ChatGPT release notes에서 맞춤 지침(custom instructions) 글자 수 한도를 1,500자에서 5,000자로 늘렸다고 밝혔다. 적용 대상은 Plus, Pro, Enterprise, Business, Education 사용자다. 무료 사용자를 포함한 전체 계정 공지가 아니라, 개인 유료 사용자와 조직형 계정에 우선 반영된 변경이다.

이번 변화는 모델 자체의 새 버전 발표보다 작아 보이지만, 실제 업무에서는 반복 프롬프트 관리 방식에 영향을 준다. 맞춤 지침은 사용자가 매번 입력하지 않아도 되는 응답 형식, 선호 문체, 금지 표현, 역할 지시, 출력 구조를 저장하는 영역이다. 한도가 3배 이상 늘어나면 단순한 문체 선호를 넘어서 팀별 작성 규칙, 코드 리뷰 기준, 고객 응대 톤, 보고서 포맷 같은 운영 지침을 더 길게 넣을 수 있다.

개발자와 기획자에게는 프롬프트 템플릿 일부를 계정 설정으로 옮길 수 있다는 점이 실무상 변화다. 예컨대 API 설계 검토를 자주 하는 팀은 보안, 오류 처리, 응답 스키마, 테스트 관점까지 기본 지침에 넣을 수 있다. 콘텐츠 팀은 제목 규칙, 금지어, 인용 방식, 문장 길이 같은 편집 기준을 더 자세히 적을 수 있다. 다만 한도가 커졌다고 모든 규칙을 한 번에 밀어 넣는 방식은 오히려 응답 일관성을 떨어뜨릴 수 있다.

▸ ChatGPT 맞춤 지침 자세히 확인하기

이번 수치 변화의 핵심은 1,500자에서 5,000자로 늘어난 한도다. 기존 1,500자는 간단한 역할 지정과 말투 설정에는 충분했지만, 업무 규칙을 여러 조건으로 나누기에는 좁았다. 특히 조직 사용자는 작성 스타일, 보안상 금지 입력, 출력 형식, 제품명 표기 규칙을 함께 넣어야 하는 경우가 많다. 5,000자는 이런 항목을 항목별로 나누어 적을 수 있는 최소한의 작업 공간을 제공한다.

실무 적용에서는 지침을 세 덩어리로 나누는 방식이 안정적이다. 첫째, 사용자의 역할과 목적을 짧게 적는다. 둘째, 출력물의 형식과 금지 조건을 적는다. 셋째, 반복되는 검증 기준을 넣는다. 예를 들어 코드 관련 사용자는 불필요한 리팩터링 금지, 테스트 우선순위, 보안 검토 항목을 넣을 수 있다. 글쓰기 사용자는 출처 표기, 문체, 제목 규칙, 반복 금지 표현을 넣는 방식이 맞다.

한도가 늘어난 만큼 충돌 위험도 커진다. 맞춤 지침 안에서 간결하게 답하라와 자세히 설명하라가 동시에 들어가면 모델은 상황에 따라 서로 다른 쪽을 따른다. 회사 공통 규칙과 개인 선호가 충돌하는 경우도 있다. Enterprise와 Business 사용자는 개인 생산성보다 팀 정책의 일관성이 더 중요하므로, 긴 지침을 넣기 전에 문서화된 스타일 가이드에서 실제로 자주 쓰는 규칙만 추리는 편이 낫다.

이 업데이트는 API 엔드포인트 변경이나 모델 가격 변경은 아니다. breaking change도 아니다. 그러나 ChatGPT를 업무 도구로 쓰는 사용자에게는 매번 프롬프트 앞부분에 붙이던 반복 문구를 줄이는 효과가 있다. 효과를 보려면 지침을 길게 쓰는 것보다 자주 틀리는 출력 조건을 먼저 넣어야 한다. 한도 확대는 더 많은 말을 쓰라는 허가가 아니라, 반복되는 업무 규칙을 계정 수준에서 정리할 수 있는 여유에 가깝다.

핵심 요약: ChatGPT 맞춤 지침 확대는 새 모델 출시가 아니라 반복 지시를 줄이는 설정 변화다. 유료·조직 사용자는 5,000자 안에서 팀 규칙과 개인 작업 방식을 더 세밀하게 고정할 수 있다.

Google Cloud, Gemini Enterprise에 Jira Data Center 작업 필터 Public Preview 추가

Google Cloud는 Gemini Enterprise release notes에서 Jira Data Center federated data stores에 action-filtering support를 Public Preview로 추가했다고 밝혔다. 이 기능은 설정된 필터를 검색 쿼리뿐 아니라 작업 실행에도 적용한다. 단순 검색 결과 제한이 아니라, Gemini Enterprise가 Jira 데이터와 연결된 상태에서 어떤 작업을 실행할 수 있는지에도 필터가 관여한다는 점이 핵심이다.

Jira Data Center를 쓰는 조직은 보통 프로젝트, 이슈 유형, 권한, 보안 등급이 복잡하게 얽혀 있다. 검색-보강 생성(RAG) 시스템이 Jira를 읽기만 할 때도 권한 관리가 중요하지만, 에이전트형 기능이 작업까지 수행하면 위험 범위가 넓어진다. 잘못된 이슈에 코멘트를 남기거나, 접근하면 안 되는 프로젝트 정보를 근거로 답을 만들거나, 허용되지 않은 액션을 실행하는 문제가 생길 수 있다.

Public Preview라는 상태도 중요하다. Google Cloud가 정식 일반 제공(GA)으로 못 박은 기능이 아니라, 사전 공개 단계로 제공한다는 뜻이다. 실무에서는 운영 핵심 워크플로에 곧장 넣기보다 제한된 프로젝트나 내부 파일럿에서 권한 동작을 확인하는 방식이 맞다. 특히 Jira Data Center는 클라우드형 Jira와 달리 기업 내부 인프라, 네트워크, 접근 정책이 제각각이므로 같은 기능이라도 조직마다 검증 포인트가 달라진다.

▸ Gemini Jira 필터 자세히 확인하기

이번 변경에서 봐야 할 단어는 action-filtering이다. 기존의 검색 필터는 사용자가 어떤 문서를 검색할 수 있는지에 초점이 있었다. 반면 작업 필터는 검색 뒤에 이어지는 실행 단계까지 범위를 좁힌다. AI 도구가 답변만 만드는 단계에서 티켓 생성, 코멘트 작성, 상태 변경 같은 작업 단계로 이동할수록 이 차이는 커진다.

Jira Data Center 연동에서 필터가 검색과 실행 양쪽에 적용된다는 설명은 권한 모델을 한 번 더 확인하게 만든다. 검색에서는 보이지 않는 이슈가 답변 근거에 들어가면 안 된다. 실행에서는 보이는 이슈라도 사용자가 수행할 수 없는 변경이 일어나면 안 된다. 두 조건이 따로 움직이면 감사 로그와 실제 권한 통제가 어긋날 수 있다. Google Cloud의 이번 Public Preview는 그 간극을 줄이려는 방향으로 읽힌다.

도입팀은 세 가지를 먼저 시험해야 한다. 첫째, 프로젝트별 필터가 검색 결과와 작업 실행에서 같은 방식으로 작동하는지 확인해야 한다. 둘째, 사용자 그룹이나 역할이 다른 계정으로 같은 질문을 던졌을 때 결과가 어떻게 달라지는지 봐야 한다. 셋째, 필터가 적용되지 않은 상태에서 생성된 캐시나 색인이 남아 있지 않은지도 점검해야 한다. AI 검색 시스템에서는 권한 변경 뒤에도 이전 색인이 답변에 섞이는 문제가 실제 운영 리스크가 된다.

이 기능은 Jira Data Center를 쓰는 대기업, 공공기관, 보안 조직에 더 직접적이다. 소규모 팀이 단일 프로젝트를 운영한다면 체감이 작을 수 있다. 그러나 여러 프로젝트와 접근 등급을 가진 조직에서는 에이전트형 AI 도입의 전제 조건에 가깝다. 도구가 더 많은 일을 하게 할수록 필터는 편의 기능이 아니라 통제 장치가 된다.

핵심 요약: Gemini Enterprise의 Jira Data Center 작업 필터는 AI 검색과 실행 권한을 같은 축에서 묶는 변화다. Public Preview 단계이므로 운영 적용 전에는 프로젝트별 권한과 실행 로그 검증이 필요하다.

OpenAI, self-play 기반 자동 레드팀 시스템 GPT-Red 공개

OpenAI는 7월 15일 openai.com에 GPT-Red를 소개하며, self-play를 사용하는 자동 레드팀 시스템이라고 설명했다. OpenAI가 제시한 목적은 AI 안전성, 정렬, 프롬프트 인젝션 견고성 개선이다. 사용자가 바로 클릭해 쓰는 소비자 기능은 아니지만, AI 도구의 품질과 방어 체계에 영향을 주는 기반 기술 공개다.

레드팀은 모델이 금지된 답을 하거나, 정책을 우회하거나, 외부 지시문에 속아 시스템 지침을 무시하는 상황을 찾는 절차다. 사람이 직접 공격 프롬프트를 만드는 방식은 정교하지만 확장성이 낮다. GPT-Red처럼 자동화된 시스템은 모델이 스스로 공격과 방어 시나리오를 반복하며 취약한 패턴을 찾는 데 초점을 둔다. OpenAI가 self-play를 언급한 이유도 여기에 있다.

실무 도구 사용자에게 GPT-Red는 당장 버튼 하나가 생겼다는 의미는 아니다. 다만 기업용 AI와 에이전트 기능이 늘어날수록 프롬프트 인젝션 방어는 제품 선택 기준이 된다. Jira, 문서 저장소, 코드 저장소, 이메일처럼 외부 데이터가 모델 입력에 들어오면 악성 지시문이 문서 안에 숨어 들어갈 수 있다. 자동 레드팀 기술은 이런 공격면을 사전에 더 넓게 훑는 데 쓰인다.

▸ GPT-Red 자세히 확인하기

GPT-Red의 맥락은 AI 도구가 단순 대화창에서 업무 실행 도구로 이동한 데 있다. 모델이 문서를 읽고, 코드를 수정하고, 티켓을 만들고, 외부 도구를 호출하면 공격자는 모델의 답변뿐 아니라 행동을 노린다. 프롬프트 인젝션은 이 지점에서 문제가 된다. 문서 안에 이전 지시를 무시하라거나 외부로 정보를 보내라는 문구를 심어 두면, 모델이 이를 사용자 지시로 오인할 수 있다.

OpenAI가 안전성, 정렬, 프롬프트 인젝션 견고성을 함께 언급한 점은 방어 범위가 넓다는 뜻이다. 안전성은 유해 출력 억제와 관련되고, 정렬은 모델이 사용자의 의도와 정책을 따르는 문제를 다룬다. 프롬프트 인젝션 견고성은 외부 입력이 시스템 지시를 덮어쓰지 못하게 하는 문제다. 세 항목은 분리되어 보이지만 에이전트 제품에서는 하나의 운영 리스크로 합쳐진다.

self-play 방식은 공격자 역할과 방어자 역할을 반복적으로 만들 수 있다는 장점이 있다. 사람이 생각하지 못한 우회 표현을 모델이 찾아낼 수 있고, 같은 취약점을 여러 변형으로 시험할 수 있다. 반대로 자동화된 레드팀이 모든 실제 공격을 대신할 수는 없다. 실제 기업 환경에서는 권한 구조, 내부 문서 형식, 도구 호출 정책이 다르기 때문이다. GPT-Red 같은 시스템은 인간 보안 검토를 없애는 장치가 아니라, 검토 범위를 넓히는 기반 기술에 가깝다.

AI 도구를 평가하는 팀은 이런 발표를 제품 보안 질문으로 바꿔야 한다. 외부 문서에 있는 지시문과 사용자 명령이 충돌할 때 어떤 우선순위를 따르는가. 도구 호출 전에 권한과 의도를 다시 확인하는가. 실패한 공격 시도는 로그에 남는가. GPT-Red 발표는 이런 질문이 더 이상 연구실 내부 이슈가 아니라 업무 도구 도입 절차의 일부가 됐다는 신호다.

핵심 요약: GPT-Red는 사용자가 곧바로 조작하는 기능보다 AI 도구의 방어 품질을 높이는 안전성 인프라에 가깝다. 에이전트형 워크플로가 늘수록 프롬프트 인젝션 대응은 제품 평가 항목이 된다.

Thinking Machines, Hugging Face 통해 Inkling 소개

Thinking Machines는 7월 15일 Hugging Face 블로그를 통해 Inkling을 소개했다. 제공된 설명에서 회사는 오픈소스와 오픈 사이언스를 통해 인공지능을 발전시키고 민주화하는 여정이라고 밝혔다. 세부 기능, 가격, API 변경, 정식 버전 번호는 제공된 자료만으로 확인되지 않는다.

AI 도구 업데이트 관점에서 이 항목은 즉시 사용할 수 있는 제품 릴리스보다 생태계 신호에 가깝다. Hugging Face는 모델, 데이터셋, 데모, 연구 산출물이 모이는 공개 허브 역할을 한다. Thinking Machines가 이 채널에서 Inkling을 소개했다는 사실은 개발자 커뮤니티와 연구자 접근성을 의식한 공개 방식으로 볼 수 있다. 다만 구체적 기능이 부족하므로 실무 채택 판단은 보류해야 한다.

이런 발표를 다룰 때 중요한 기준은 과장된 기대를 줄이는 것이다. 공개 글의 문구가 오픈소스와 오픈 사이언스를 강조하더라도, 실제로 무엇이 공개됐는지와 어떤 라이선스인지가 별도 확인돼야 한다. 모델 가중치, 코드, 논문, 데모, API 중 어느 범위가 열렸는지에 따라 실무 의미가 크게 달라진다. 현재 제공된 근거 안에서는 Inkling의 성격을 단정할 수 없다.

▸ Inkling 공개 자세히 확인하기

Inkling 항목은 다른 세 업데이트와 성격이 다르다. ChatGPT 맞춤 지침은 한도 수치가 있고, Gemini Enterprise는 Public Preview 기능 범위가 명확하다. GPT-Red는 자동 레드팀과 self-play라는 기술 방향이 제시됐다. 반면 Inkling은 공개 채널과 방향성은 확인되지만, 도구 사용 방식이나 버전 번호는 제한적으로만 파악된다.

그럼에도 개발자와 기획자가 기록해 둘 이유는 있다. Hugging Face 기반 공개는 AI 도구의 채택 경로를 바꿀 수 있다. 닫힌 SaaS 형태의 기능 업데이트는 관리자 콘솔과 요금제 문서를 통해 확산된다. 공개 허브 기반 프로젝트는 샘플 코드, 데모, 커뮤니티 포크, 모델 카드 같은 방식으로 확산된다. 따라서 초기 발표에서 바로 비용 계산을 하기보다, 공개 범위와 재사용 가능성을 확인하는 순서가 맞다.

실무팀은 Inkling을 평가할 때 네 가지 질문을 준비해야 한다. 무엇이 공개됐는가. 어떤 라이선스가 붙는가. 상업적 사용이 가능한가. 기존 워크플로에 넣을 수 있는 API나 로컬 실행 경로가 있는가. 이 질문에 답이 없으면 내부 도입 목록에는 올리되 운영 의사결정에는 넣지 않는 편이 안전하다.

OpenAI와 Google Cloud의 같은 날 발표가 기존 제품 안의 기능 변화에 가까웠다면, Inkling은 공개 생태계 쪽의 출발점에 가깝다. 한쪽은 관리자와 최종 사용자의 설정을 바꾸고, 다른 한쪽은 개발자 커뮤니티가 무엇을 실험할 수 있는지를 바꾼다. 이 차이를 구분해야 업데이트를 실제 업무 영향으로 번역할 수 있다.

핵심 요약: Inkling은 제공된 근거만으로 기능·가격·API를 확정하기 어렵다. 다만 Hugging Face를 통한 공개는 커뮤니티 검증과 재사용 가능성을 중심으로 후속 확인해야 할 항목이다.

OpenAI, 주 법과 연방 체계 결합한 AI 거버넌스 접근 제시

OpenAI는 7월 15일 openai.com에 미국 AI 안전 거버넌스 관련 글을 내고, 주 법이 국가 차원의 프레임워크 형성에 기여하는 reverse federalism 접근을 설명했다. 이 항목은 좁은 의미의 도구 기능 업데이트는 아니지만, AI 도구 운영자가 따라야 할 규칙 환경과 맞닿아 있다. 특히 기업용 AI가 보안, 개인정보, 업무 자동화 영역으로 들어가면서 정책 변화는 제품 운영 방식에 직접 영향을 준다.

OpenAI의 글은 안전하고 민주적인 AI를 위한 국가 프레임워크 구축을 말한다. 여기서 실무자가 읽어야 할 대목은 정책 논의가 추상 윤리 담론에 머물지 않는다는 점이다. 주 단위 법과 연방 차원의 조정이 함께 움직이면, AI 도구 제공사는 지역별 의무와 전국 단위 제품 정책 사이에서 조정 비용을 부담하게 된다. 사용 기업도 데이터 처리, 감사, 설명 책임, 안전 평가 문서 요구에 대비해야 한다.

도구 업데이트와 정책 글을 같은 날짜 브리핑에 함께 넣는 이유는 간단하다. ChatGPT의 맞춤 지침 확대와 Gemini의 Jira 필터는 사용자가 AI를 더 깊게 업무에 넣도록 만드는 변화다. GPT-Red는 그 과정에서 생기는 공격면을 다룬다. 거버넌스 논의는 이런 도구가 어떤 책임 구조 안에서 쓰일지를 정한다. 기능과 안전, 규제는 따로 움직이지 않는다.

▸ OpenAI 거버넌스 논의 자세히 확인하기

reverse federalism이라는 표현은 일반적인 연방 우선 접근과 결이 다르다. 제공된 근거에 따르면 OpenAI는 주 법이 안전하고 민주적인 AI를 위한 국가 프레임워크 형성에 도움을 줄 수 있다고 설명했다. 이는 주 단위 실험과 연방 차원의 정리를 함께 보는 관점이다. AI 정책이 빠르게 바뀌는 상황에서는 한 번에 완성된 전국 규칙을 만드는 것보다, 지역별 제도 경험을 모아 공통 기준을 만드는 방식이 거론될 수 있다.

AI 도구 운영자는 이 흐름을 컴플라이언스 비용으로만 볼 수 없다. 규칙이 명확해지면 도입 지연을 줄이는 효과도 있다. 지금 많은 기업은 AI 검색, 코드 작성, 고객 응대 자동화 기능을 검토하면서도 데이터 유출, 저작권, 안전성 책임을 이유로 배포를 늦춘다. 정책 프레임워크가 구체화되면 금지되는 사용과 허용되는 사용을 나누기 쉬워진다.

다만 정책 논의는 기능 릴리스처럼 바로 적용되는 변경이 아니다. 종료 일자, 대체 API, 가격표처럼 즉시 계산 가능한 정보가 제공된 것도 아니다. 따라서 이 항목은 도입 결정의 직접 근거라기보다 다음 분기 운영 리스크 항목으로 두는 편이 맞다. 특히 공공, 교육, 의료, 금융처럼 규제 민감도가 높은 조직은 OpenAI와 다른 주요 공급사의 정책 문서가 제품 약관과 관리자 기능에 어떻게 반영되는지 확인해야 한다.

같은 날 나온 GPT-Red 발표와 함께 보면 흐름이 더 선명하다. OpenAI는 한쪽에서는 모델 견고성을 높이는 자동 레드팀을 설명했고, 다른 한쪽에서는 제도적 안전 프레임워크를 말했다. 기술적 방어와 정책적 책임을 병행해 제시한 셈이다. AI 도구를 구매하거나 운영하는 조직은 기능 목록만 볼 것이 아니라, 공급사가 안전성 검증과 규제 대응을 어떤 언어로 설명하는지도 함께 봐야 한다.

핵심 요약: OpenAI의 거버넌스 글은 즉시 적용되는 제품 변경은 아니지만, 기업용 AI 도입의 규칙 환경을 설명한다. 도구 기능이 업무 실행으로 확장될수록 정책과 안전성 문서도 운영 판단 자료가 된다.

오늘 아침 추가 속보

• huggingface.co: Security incident disclosure — July 2026 - We’re on a journey to advance and democratize artificial intelligence through open source and open science.

한눈에 보기

사실	발행처	출처
ChatGPT 맞춤 지침 한도가 유료·조직 요금제에서 1,500자에서 5,000자로 늘었다.	OpenAI	help.openai.com
Gemini Enterprise가 Jira Data Center 연동 저장소에 작업 필터를 Public Preview로 추가했다.	Google Cloud	docs.cloud.google.com
Jira Data Center 작업 필터는 검색 쿼리와 작업 실행 양쪽에 설정된 필터를 적용한다.	Google Cloud	docs.cloud.google.com
OpenAI는 self-play 기반 자동 레드팀 시스템 GPT-Red를 공개했다.	openai.com	openai.com
OpenAI는 주 법과 연방 체계를 결합하는 AI 거버넌스 접근법을 설명했다.	openai.com	openai.com
Thinking Machines는 Hugging Face 블로그를 통해 Inkling을 소개했다.	huggingface.co	huggingface.co

FAQ

Q1. 7월 15일 AI 도구 업데이트에서 가장 직접적인 사용자 변화는 무엇인가?

A. OpenAI가 ChatGPT 맞춤 지침 한도를 1,500자에서 5,000자로 늘린 점이다. 적용 대상은 Plus, Pro, Enterprise, Business, Education 사용자이며, 반복 지시와 팀 규칙을 더 길게 저장할 수 있다.

Q2. Gemini Enterprise의 Jira Data Center 작업 필터는 어떻게 써야 하나?

A. Google Cloud가 Public Preview로 낸 기능이므로 제한된 프로젝트에서 먼저 시험하는 편이 맞다. 검색 쿼리와 작업 실행에 같은 필터가 적용되는지, 사용자 권한별 결과가 달라지는지 확인해야 한다.

Q3. 이번 업데이트에 명확한 요금 변경이나 deprecation이 있었나?

A. 제공된 7월 15일 출처 안에서는 가격 변경, 종료 일자, 대체 API가 명시된 deprecation은 확인되지 않았다. 수치가 분명한 변경은 ChatGPT 맞춤 지침 한도 1,500자에서 5,000자 확대다.

Q4. GPT-Red와 Gemini Jira 필터는 어떤 점에서 다르나?

A. OpenAI의 GPT-Red는 self-play 기반 자동 레드팀 시스템으로 안전성 검증 쪽에 가깝다. Google Cloud의 Jira 필터는 Gemini Enterprise가 Jira Data Center에서 검색과 작업 실행 권한을 제한하는 운영 기능이다.

Q5. 다음 분기에 후속으로 확인할 항목은 무엇인가?

A. Gemini Enterprise의 Jira Data Center 작업 필터가 Public Preview에서 GA로 넘어가는지, Inkling의 공개 범위와 라이선스가 구체화되는지 봐야 한다. OpenAI 쪽은 GPT-Red가 제품 안전 기능이나 문서에 어떻게 반영되는지가 관건이다.

출처

1. Increased custom instructions limit - OpenAI
2. Action-filtering support for Jira Data Center data stores in Public Preview - Google Cloud
3. The US is advancing AI safety through state and federal action - openai.com
4. GPT-Red: Unlocking Self-Improvement for Robustness - openai.com
5. Welcome Inkling by Thinking Machines - huggingface.co
6. Celebrating 25 years of visual search innovation - blog.google
7. Security incident disclosure — July 2026 - huggingface.co

마지막 업데이트: 2026-07-16T11:50:11.641Z